-
公开(公告)号：CN101777126A
公开(公告)日：2010-07-14
申请号：CN201010114138.6
申请日：2010-02-10
Applicant: 华中科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种对多维特征向量聚类的方法，基于对特征空间数据分布的观察，本发明从最容易聚类并产生空间一致性结果的高密度区域数据入手，提出了一种增量迭代方式下的聚类方法，每一步迭代选取密度较高的数据作为种子集合，通过种子生长的过程，对数据进行组织，使得迭代过程中每一步的聚类都在密度相对最高的数据上完成。结果显示，本发明的聚类方法能够产生经典聚类算法无法得到的良好结果。
-
公开(公告)号：CN101799925B
公开(公告)日：2011-08-24
申请号：CN201010120808.5
申请日：2010-03-05
Applicant: 华中科技大学
IPC: G06T7/00
Abstract: 本发明公开了一种图像自动分割结果的性能分析方法，本发明通过计算多个手工标注的分割结果之间在像素上的感知一致程度，赋予每个像素不同的权重，感知一致程度越高，像素的对应权重就越高，最后计算出加权后的评价指数，作为待评价的分割结果的最终评价指数。采用本发明方法得到的性能分析指标，由于定义了能够定量的反应出由某种计算机算法所处理的图像自动分割结果与人工标注的分割结果的符合程度，从而，客观的反应出某种计算机图像自动分割算法与人类视觉感知在图像自动分割上的接近程度。
-
公开(公告)号：CN101814149A
公开(公告)日：2010-08-25
申请号：CN201010166225.6
申请日：2010-05-10
Applicant: 华中科技大学
IPC: G06K9/66
Abstract: 本发明公开了基于在线学习的自适应级联分类器训练方法，其步骤为：①准备一个含有少量样本的训练样本集，采用级联分类器算法训练一个初始的级联分类器HC(x)；②使用HC(x)遍历待检测的图像帧，逐一提取与上述训练样本同样大小的区域计算其特征值集合，从而可用初始的级联分类器对其进行分类，判断是否为目标区域，即完成目标检测；③对检测到的目标采用粒子滤波算法进行跟踪，通过跟踪对目标检测结果进行验证，将错误的检测标注为在线学习的负样本。此外，通过跟踪获取真实目标的不同姿态，从中提取在线学习的正样本；④每获得一个在线学习样本，采用自适应级联分类器算法对初始级联分类器HC(x)进行在线训练和更新，从而逐步提高分类器的目标检测精度。
-
公开(公告)号：CN101794394A
公开(公告)日：2010-08-04
申请号：CN201010111147.X
申请日：2010-02-05
Applicant: 华中科技大学
IPC: G06K9/64
Abstract: 本发明公开了一种基于邻域上下文的模板匹配方法，对场景图像逐像素点遍历提取与模板图像相同区域范围的搜索子图，对于满足邻域上下文约束的搜索子图，计算其与模板的相关性，依据相关性越大，该搜索子图对应的遍历像素点成为目标点可能性越大的准则选取目标像素点。本发明关键之处在利用了邻域上下文的约束，并不是在所有的位置都计算子图与模板的相关性，而是只在满足邻域上下文约束的位置计算。在目标部件检测中加入该约束，提高了检测的准确性，由于该约束去除了很多位置点，因此还提高了检测速度。
-
公开(公告)号：CN101770583A
公开(公告)日：2010-07-07
申请号：CN201010028992.0
申请日：2010-01-15
Applicant: 华中科技大学
IPC: G06K9/64
Abstract: 本发明公开了一种基于场景全局特征的模板匹配方法，用于根据目标模板检测图像中同类目标。该方法对场景图像逐像素点遍历提取与模板图像相同区域范围的搜索子图，计算每个搜索子图与模板图像的相关性，依据搜索子图与模板图像的相关性越大，该搜索子图对应的遍历像素点成为目标点可能性越大的准则选取候选目标像素点，在候选目标像素点中确定最终目标点。本发明关键之处在于利用全局特征来度量搜索子图与模板图像的相关性，全局特征是通过把模板和子图的相关性放到场景后计算整个场景的特征得到的，全局特征是整个场景的特征，带有一定的语义信息，使得目标检测的准确性提高。
-
Patent Agency Ranking
公开(公告)号：CN100587708C
公开(公告)日：2010-02-03
申请号：CN200810046789.9
申请日：2008-01-25
Applicant: 华中科技大学
IPC: G06K9/62
Abstract: 一种分类器集成方法，包括：(1)初始化训练样本权值；(2)对训练样本进行分类器训练，采用错误程度和泛化能力描述的分类器性能评价准则选出多个最佳子分类器；(3)组合最佳子分类器。本发明采用的分类器性能评价准则能够准确地选出性能好的子分类器，子分类器性能越好，组合得到相同性能的分类器需要的子分类器数量就越少，即训练循环的次数和时间均越少。另外本发明还通过反馈调整组合分类器，进一步增强分类器性能。
-
公开(公告)号：CN101604394A
公开(公告)日：2009-12-16
申请号：CN200810246315.9
申请日：2008-12-30
Applicant: 华中科技大学
IPC: G06K9/62
Abstract: 本发明提供了一种有限存贮资源下的增量学习分类方法，属于模式识别技术领域。该方法采用最小距离分类器，具体为：首先对新样本预分类，将预分类正确的新样本添加到分类器相应子集中，将预分类错误的新样本添加到错误样本集合中，对错误样本集合中的样本进行K－均值聚类。然后分别为分类器和错误样本集合中的各子集筛选代表样本，筛选后将错误样本集合中的子集添加到分类器中，更新分类器，最后采用更新的分类器对新样本分类。本发明通过代表样本的筛选既保存已学习知识，又获取新知识，在降低存储开销和计算开销的基础上具有较高的样本识别准确率。
-
公开(公告)号：CN101770583B
公开(公告)日：2012-06-13
申请号：CN201010028992.0
申请日：2010-01-15
Applicant: 华中科技大学
IPC: G06K9/64
Abstract: 本发明公开了一种基于场景全局特征的模板匹配方法，用于根据目标模板检测图像中同类目标。该方法对场景图像逐像素点遍历提取与模板图像相同区域范围的搜索子图，计算每个搜索子图与模板图像的相关性，依据搜索子图与模板图像的相关性越大，该搜索子图对应的遍历像素点成为目标点可能性越大的准则选取候选目标像素点，在候选目标像素点中确定最终目标点。本发明关键之处在于利用全局特征来度量搜索子图与模板图像的相关性，全局特征是通过把模板和子图的相关性放到场景后计算整个场景的特征得到的，全局特征是整个场景的特征，带有一定的语义信息，使得目标检测的准确性提高。
-
公开(公告)号：CN101799875A
公开(公告)日：2010-08-11
申请号：CN201010114137.1
申请日：2010-02-10
Applicant: 华中科技大学
Abstract: 本发明公开了基于维数递增弱线性回归树的目标检测方法，其步骤为：①准备训练样本集(xi，yi)，i＝1，……，N，xi表示训练样本的特征值集合，yi为样本类别，N为训练样本数，N为自然数；②初始化训练样本权重为其中t为自然数，初始化时t＝1；③对样本集合进行循环计算，选定循环次数T，T为自然数每次循环都得到一个线性回归树作为弱分类器。等到T次循环完成后，再将T个弱分类器合成一个强分类器；④使用该强分类器对数字图像中的各个区域进行分类，从而判断是否为目标区域，完成目标检测。本发明方法提出采用线性回归树作为弱分类器，即每个弱分类器不再只含有一个特征，而是用线性回归树将多个特征进行有机的组合，提高了分类器的分类能力，当训练出的分类器用于图像中的目标检测时可以获得较高的检测率及较快的检测速度。
-
公开(公告)号：CN101814149B
公开(公告)日：2012-01-25
申请号：CN201010166225.6
申请日：2010-05-10
Applicant: 华中科技大学
IPC: G06K9/66
Abstract: 本发明公开了基于在线学习的自适应级联分类器训练方法，其步骤为：①准备一个含有少量样本的训练样本集，采用级联分类器算法训练一个初始的级联分类器HC(x)；②使用HC(x)遍历待检测的图像帧，逐一提取与上述训练样本同样大小的区域计算其特征值集合，从而可用初始的级联分类器对其进行分类，判断是否为目标区域，即完成目标检测；③对检测到的目标采用粒子滤波算法进行跟踪，通过跟踪对目标检测结果进行验证，将错误的检测标注为在线学习的负样本。此外，通过跟踪获取真实目标的不同姿态，从中提取在线学习的正样本；④每获得一个在线学习样本，采用自适应级联分类器算法对初始级联分类器HC(x)进行在线训练和更新，从而逐步提高分类器的目标检测精度。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.018 seconds)
